CN114139293B 一种滚动轴承故障诊断方法及系统 （福州大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114139293B

(45)授权公告日2025.01.10

(21)申请号202110951428.4

(22)申请日2021.08.18

(65)同一申请的已公布的文献号申请公布号CN114139293A

(43)申请公布日2022.03.04

(73)专利权人福州大学

地址350108福建省福州市闽侯县福州大

学城乌龙江北大道2号福州大学

(72)发明人姚立纲林堂鑫王振亚

(74)专利代理机构福州元创专利商标代理有限公司35100

专利代理师张灯灿蔡学俊

(51)Int.CI.

GO6F30/17(2020.01)

GO6F30/27(2020.01)

GO6F111/06(2020.01)

GO6F119/02(2020.01)

(56)对比文件

CN

CN

110006649

111191740

A,2019.07.12

A,2020.05.22

审查员王倩倩

权利要求书2页说明书8页附图6页

(54)发明名称

训练样本信号

训练样本信号测试样本信号

分解和重构分解和重构

计算RCMFE值计算RCMFE值

构建多尺度故障特征集

训练故障特征集测试故障特征集

训练GWO-SVM分类训练好的GWO-SVM

器分类器模型

训练故障特征集

(57)摘要

CN114139293B本发明涉及一种滚动轴承故障诊断方法及系统，该方法首先利用优化变分模态分解对采集的滚动轴承的振动加速度信号进行分解与重构；然后利用精细复合多尺度模糊熵对重构信号进行特征提取，构建故障特征集；最后采用灰狼群优化支持向量机分类器进行诊断识别，诊断出滚动轴承故障类型。该方法及系统有利于对滚动轴

CN114139293B

CN114139293B权利要求书1/2页

2

1.一种滚动轴承故障诊断方法，其特征在于，首先利用优化变分模态分解对采集的滚动轴承的振动加速度信号进行分解与重构；然后利用精细复合多尺度模糊熵对重构信号进行特征提取，构建故障特征集；最后采用灰狼群优化支持向量机分类器进行诊断识别，诊断出滚动轴承故障类型；

所述滚动轴承故障诊断方法包括以下步骤：

步骤S1、利用加速度传感器采集滚动轴承在正常状态、内圈故障状态、外圈故障状态和滚动体故障状态下的振动加速度信号，获取其时域信号样本集；

步骤S2、利用优化算法优化变分模态分解算法中的模态数K和惩罚因子α,然后对采集的振动加速度信号进行分解，并将得到的本征模态分量进行重构；

步骤S3、利用精细复合多尺度模糊熵对重构信号进行特征提取，构建故障特征集；

步骤S4、将故障特征输入至灰狼群优化支持向量机分类器中进行训练与测试，诊断出滚动轴承故障类型；

步骤S2中，利用优化算法优化变分模态分解算法中的模态数K和惩罚因子α,包括以下步骤：

步骤S201、初始化优化算法的各项参数以及寻优参数寻优过程中的适应度函数；适应度函数为VMD分解后全部IMF分量的包络熵均值定义为适应度值，并以最小包络均熵为寻优目标，从而得到最优参数；其中，包络熵Ep的定义如下：

(1)

式中，p;为a(j)的归一化形式，a(j)为信号x(j)经希尔伯特变换后的包络信号，N为信号x(j)的长度；

步骤S202、计算每个团体成员当前位置下对应的适应度值；

步骤S203、将整个群体划分为c个团体，选出团体中适应度值最小的个体为团体领导者；将整个群体划分为d个区域，选出区域中适应度值最小的个体为区域获胜者；

步骤S204、进行竞选活动，其他成员根据团体领导者和区域获胜者更新自身位置，具体如下：

当f(p(t))≤f(p{(t-1)时，按照式(2)更新空间位置：

(2)

当f(p{(t)f(p{(t-1)时，按照式(3)更新空间位置：

式中，p(t)表示当迭代次数为t时，第i个团体的第j个成员所处的位置；P(t)表示p{(t)

CN114139293B权利要求书2/2页

3

中的第k个元素；m*表示团体领导者或